¿Por qué debería seguir usando EKF en lugar de UKF?

El filtro Kalman sin perfume es una variante del filtro Kalman extendido que utiliza una linealización diferente que se basa en la transformación de un conjunto de "Puntos Sigma" en lugar de la expansión de la serie Taylor de primer orden.

El UKF no requiere computación jacobiana, se puede usar con transformación discontinua y, lo más importante, es más preciso que EKF para transformaciones altamente no lineales.

La única desventaja que encontré es que "el EKF es a menudo un poco más rápido que el UKF" (Probablistic Robotics). Esto me parece insignificante y su complejidad asintótica parece ser la misma.

Entonces, ¿por qué todo el mundo parece preferir EKF sobre UKF? ¿Perdí una gran desventaja de UKF?

Aquí hay algunos puntos posibles de consideración. Ciertamente, el UKF tiene muchos contrapuntos donde también tiene una ventaja.

La ventaja más obvia es el poder de cálculo. No olvide que, tradicionalmente, estos filtros se implementan en sistemas integrados con recursos computacionales muy limitados. Además, aunque no tengo mucha experiencia con los UKF, una ventaja significativa de los EKF es su relativa facilidad de implementación. Para muchos sistemas, el jacobiano se deriva analíticamente con mucha facilidad, lo que hace que la implementación de EKF sea más sencilla.

Otra área de ventaja potencial es la facilidad de ajuste. No recuerdo cuántos parámetros son ajustables en un UKF, pero los parámetros de ajuste de EKF ya se entienden bien porque el filtro Kalman básico es omnipresente, por lo que cualquiera que esté pensando en usar un UKF ya sabe cómo ajustar un EKF.

Finalmente, no ignores el impulso. Si un sistema existente ya tiene un EKF en funcionamiento, ¿por qué hacer todo el trabajo de implementar y probar un UKF?